使用 LlamaIndex 載入文檔：YouTube 字幕、PDF 與 Notion 一次搞定

怎麼用 LlamaIndex 載入 YouTube 影片的文字記錄？

用 YoutubeTranscriptReader 可以把 YouTube 影片的字幕（文字記錄）轉換為 Document 格式：

from llama_index.core import download_loader
# 載入環境變數
from dotenv import load_dotenv
load_dotenv()

YoutubeTranscriptReader = download_loader("YoutubeTranscriptReader")

loader = YoutubeTranscriptReader()
youtube_documents = loader.load_data(ytlinks=['https://www.youtube.com/watch?v=nHcbHdgVUJg&ab_channel=WintWealth'])

會得到如下格式的 JSON 資料：

[Document(id_='nHcbHdgVUJg', embedding=None, metadata={'video_id': 'nHcbHdgVUJg'}, excluded_embed_metadata_keys=[], excluded_llm_metadata_keys=[], relationships={}, text="I'm a Commerce graduate.......", start_char_idx=None, end_char_idx=None, text_template='{metadata_str}\n\n{content}', metadata_template='{key}: {value}', metadata_seperator='\n')]

每支影片會變成一個 Document，metadata 裡帶有 video_id，text 就是完整字幕內容。

怎麼讀取本地 PDF 文件？

使用下面的程式碼可以讀取本地端的 PDF 文件，請確保該檔案存在：

from pathlib import Path
from llama_index.core import download_loader

PDFReader = download_loader("PDFReader")

loader = PDFReader()

pdf_document = loader.load_data(file=Path('./sample.pdf'))

會產生如下的 JSON 檔案：

[Document(id_='c63920fc-1f19-4112-ab6a-d18aa193c037', embedding=None, metadata={'page_label': '1', 'file_name': 'sample.pdf'}, excluded_embed_metadata_keys=[], excluded_llm_metadata_keys=[], relationships={}, text=' \n \nLangChain 技术解密： \n构建大模型应用的全景指南 \n王浩帆 编著 \n', start_char_idx=None, end_char_idx=None, text_template='{metadata_str}\n\n{content}', metadata_template='{key}: {value}', metadata_seperator='\n'), ......]

PDFReader 預設會逐頁切分，每頁一個 Document，metadata 裡記錄頁碼（page_label）與檔名。

怎麼載入 Notion 筆記本？

只要準備 Notion integration token 和 database id，就能把整個資料庫的頁面讀進來：

from llama_index.core import download_loader
import os

NotionPageReader = download_loader('NotionPageReader')

integration_token = "your-notion-token"
database_id = "your-database-id"
reader = NotionPageReader(integration_token=integration_token)
notion_documents = reader.load_data(database_id=database_id)

怎麼把載入的文檔建成對話機器人？

把不同來源的 Document 合併後丟給 VectorStoreIndex，一行就能建立向量索引：

import os
from llama_index.core import VectorStoreIndex

all_documents = youtube_documents + pdf_document
index = VectorStoreIndex.from_documents(all_documents)

對話測試

接著把索引轉成 query engine，直接用自然語言提問：

query_engine = index.as_query_engine()
response = query_engine.query("介紹LangChain")
print(response)

LangChain 是一個基於大語言模型的應用程式開發框架，旨在簡化創建大模型應用程式的過程。它提供了一套完整的工具、組件和介面，使開發者能夠輕鬆地利用大語言模型的能力……可得到以上回應。

常見問題

QLlamaIndex 的 download_loader 是什麼？

它會按需下載並回傳指定的資料載入器（Loader），例如 YoutubeTranscriptReader、PDFReader、NotionPageReader。每個 Loader 都把外部資料轉成 LlamaIndex 統一的 Document 格式，後續建立索引時不用再處理格式差異。

Q載入後的 Document 結構長什麼樣？

每個 Document 有 id_、text（實際內容）與 metadata（如 video_id、page_label、file_name）。還有 text_template 和 metadata_template 欄位，決定索引時如何把內容與 metadata 組合成文字。

QPDF 會被切成多個文件嗎？

會。PDFReader 預設逐頁讀取，每一頁產生一個 Document，metadata 裡的 page_label 標示頁碼。這對之後做檢索時標記出處很方便。

Q載入多種來源後要怎麼一起查詢？

把各來源的 Document list 直接相加（如 youtube_documents + pdf_document），再丟給 VectorStoreIndex.from_documents() 建立單一索引，最後用 index.as_query_engine().query(...) 就能跨來源問答。

Q跑 NotionPageReader 前需要準備什麼？

需要一個 Notion integration token，以及要讀取的 database id。記得在 Notion 把該 integration 連結到目標資料庫，否則 API 會讀不到頁面。

參考資料

• LlamaIndex 官方文件
• LlamaIndex GitHub

延伸閱讀

• LlamaIndex 載入多種類文件教學：PDF、YouTube 字幕與圖片 Reader 完整用法：同樣聚焦 LlamaIndex、RAG，可接著比較不同情境的做法。
• 使用LlamaIndex載入多種類文件：同樣聚焦 LlamaIndex、RAG，可接著比較不同情境的做法。
• LlamaIndex 介紹：用 Python 建立 RAG 索引與查詢流程：同樣聚焦 LlamaIndex、RAG，可接著比較不同情境的做法。

最後更新

2026-08-28（原文發布於 2024-05-17，本文保留原始筆記內容並補上 GEO 結構。）

關於作者

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2024-05-17